边缘协作视频推理系统

时延减半精度大增

一种在异构边缘设备间动态编排推理流并传输特征而非原始帧的系统，在真实校园环境中实现了显著的行人重识别精度提升与低延迟。

Guo, Li · Zeng, Jiandian · Zihao, Peng · Liang, Yuzhu · Xi, Zheng · Tian, Wang

IEEE Transactions on Mobile Computing 2025

参数信息

Rank-1 精度提升

36.88 %

mAP 提升

46.00 %

吞吐量提升

6.35-12.66 %

延迟降低

35.01-57.83 %

技术优势

不用传原始帧，不泄露行人影像

系统在边缘设备间传输的是特征而非行人检测帧，原始视频数据不出设备，从根源上避免数据泄露。

ReID 精度可实时自校验

引入实时 ReID Loop Confirmation (ReLC) 算法，持续校验身份，使 Rank-1 精度提升 36.88%、mAP 提升 46.00%。

延迟减半，吞吐更高

相比基线，系统吞吐量提升约 6.35%–12.66%，延迟降低 35.01%–57.83%，在动态负载下仍能保持实时性能。

应用场景

• 智能城市视频监控：城市监控摄像头集群可用它实现实时行人重识别，延迟低且不泄露原始影像。
• 边缘AI推理：将 MCMT-ReID 推理拆分到异构边缘设备上协同执行，减少对云端的依赖。
• 边缘计算卸载：通过边缘设备间传输中间特征代替原始帧，实现高效卸载并保护隐私。
• 多摄像头目标跟踪：在多摄像头间动态编排跟踪与 ReID 模块，实现跨摄像头行人身份持续关联。